基于多元统计的复杂工业过程故障监测研究.pdfVIP

杭州电子科技大学（硕士）学位论文

摘要

随着科技的发展和市场需求的不断提高，现代工业的发展方向逐渐趋向于大

规模、复杂化、集成化以及精细化。一旦过程发生故障，不仅排查困难，影响产

品质量与生产，还可能导致人员伤亡事件的发生，因此能够及时地监测到故障的

发生以及诊断故障尤为重要。

近年来因为传感器技术和计算机技术的不断进步，无论是数据的获取能力还

是处理能力都得到了较大提高。基于多元统计方法的统计过程监测技术得到了广

泛的研究与应用，它通过分析测量到的工业过程数据，计算对比监测统计量和统

计量控制限，监测当前过程是否异常。本文针对复杂工业过程存在的各种特性，

将传统的主成分分析（principlecomponentanalysis,PCA）和局部保留投影（local

preservingprojections,LPP）等过程监测与数据处理方法结合，研究了新的方法，

提升了方法对复杂工业过程的故障监测能力，具体内容如下：

(1)针对传统PCA方法只保留全局信息，以及工业过程数据中具有的非线性

的特性，介绍了全局局部保留投影(globallocalpreservingprojections,GLPP)方法

和核PCA(kernelPCA，KPCA)方法，并通过结合两种方法提出了新的

GLPP-KPCA方法以及提出了新的融合监测统计量指标。

(2)针对传感器的测量数据存在噪声的问题，通过使用一种滑动窗口小波去

噪方法，并结合GLPP方法，研究了一种SWWD-GLPP方法，可以有效地解决

数据噪声问题，并提高了检测准确率。

(3)研究了一种动态GLPP算法，通过使用拓展矩阵的方法，增加了算法对

具有动态特性的工业过程的监测能力，同时还使用了一种新的确定贡献图方法，

可以准确的诊断出故障的主要变量。

仿真案例结果表明，传统的PCA等方法虽然可以检测到大多数工业过程的

故障，但是对于一些比较复杂的工业过程故障的检测效果却很不理想。通过结合

PCA和LPP提出的GLPP可以很好保留降维数据的全局和局部特性。通过将

GLPP和KPCA结合可以解决非线性过程的监测问题。小波去噪与GLPP的结合

可以提高部分故障的检测率。对数据矩阵进行延时拓展，改善了GLPP对动态过

程的监测能力。

关键词：过程监测，主成分分析，全局局部保留投影，滑动窗口小波去噪，动态

过程

I

杭州电子科技大学（硕士）学位论文

ABSTRACT

Withthedevelopmentofscienceandtechnologyandthecontinuous

improvementofmarketrequirement,thedevelopmentdirectionofmodernindustry

tendstobelarge-scale,complex,integratedandrefined.Oncetheprocessfaultoccurs,

itisnotonlydifficulttoinvestigate,affectthequalityandproductionofproducts,but

alsoleadtotheoccurrenceoflargecasualties.Therefore,itisparticularlyimportantto

timelymonitortheoccurrenceoffaultsanddiagnosefaults.

Inrecentyears,withthedevelopmentofsensortechnologyandcomputer

technology,bothdataacquisitionabilityanddataprocessingabilityhavebeengreatly